实现 kindle 原生系统、多看系弹出注释的通用写法

本文介绍了如何在 Kindle 的原生系统和多看系统中实现通用的弹出注释。作者通过分析原生系统依赖<p>标签和多看系统依赖<ol>标签,尝试将两者结合以达到兼容效果。经过实验和坛友的建议,最终找到一种使用<li><p><a>&#8203;</a></p></li>的解决方案,并提供了批量修改的方法。
部署运行你感兴趣的模型镜像

  入手 Kindle 后开始自己做 ePub,之前一直用原生系统,使用的弹出注释代码如下:

<p class="P_Footnote" id="ref_footnotebookmark_end_9_1"><span style=" font-size: 0.75em; vertical-align: super;"><a href="#ref_footnotebookmark_start_9_1"></a></span>注释的内容</p>

  逐渐由于制作 ePub 的需要,我开始使用多看系统,这时候原生系统弹出注释代码失效,这样就造成极大的不便——我必须制作两个不同的 ePub 来适应系统切换。多看弹出注释代码如下:

<ol class="duokan-footnote-content">
    <li class="duokan-footnote-item" id="a_1_1"><a href="#c_1_1">这里是注释</li>
</ol>

  于是我开始寻求一种方法,使得弹窗注释能支持原生和多看。上面的两处代码中可以发现,原生系统的弹窗注释基于标签<p>,而多看系统的弹窗注释依赖于<ol>,于是我有一个思路,如果将两个标签嵌套使用,是否就能实现双系统的弹窗呢?

  一开始我将<p>嵌套在<li>中,将<p>嵌套在<a>中,代码如下:

1 <ol class="duokan-footnote-content">
2     <li class="duokan-footnote-item" id="a_1_1">
3        <p><a href="#c_1_1">这里是注释</a></p>
4 </li>
5 </ol>
6 <!--<p>嵌套在<li>-->
1 <ol class="duokan-footnote-content">
2     <li class="duokan-footnote-item" id="a_1_1">
3        <a href="#c_1_1"><p>这里是注释</p></a>
4 </li>
5 </ol>
6 <!--<p>嵌套在<a>-->

  然而这两种方法在实际测试中都失效。不过在论坛坛友的指点下,找到了这么一种方法,代码如下:

1 <ol class="duokan-footnote-content">
2     <li class="duokan-footnote-item" id="ref_footnotebookmark_end_1_1">
3       <p class="f"><a href="#ref_footnotebookmark_start_1_1">这里是注释</a>​​&#8203;​​​​​​</p>
4     </li>
5   </ol>

 

P.S. "&#8203;"这个字串是 Zero-width space ( 零宽度非换行空格 )

P.S.想要批量修改可以使用通配符,如下:

Search:<li class="duokan-footnote-item" id="(.*?)"><a href="#(.*?)">(.*?)</li>

Replace:<li class="duokan-footnote-item" id="\1"><p class="f"><a href="#\2">\3</a>&#8203;​​​​​​​​​</p>

转载于:https://www.cnblogs.com/RhinoC/p/4004722.html

您可能感兴趣的与本文相关的镜像

Qwen-Image-Edit-2509

Qwen-Image-Edit-2509

图片编辑
Qwen

Qwen-Image-Edit-2509 是阿里巴巴通义千问团队于2025年9月发布的最新图像编辑AI模型,主要支持多图编辑,包括“人物+人物”、“人物+商品”等组合玩法

MATLAB代码实现了一个基于种智能优化算法优化RBF神经网络的回归预测模型,其核心是通过智能优化算法自动寻找最优的RBF扩展参数(spread),以提升预测精度。 1.主要功能 算法优化RBF网络:使用种智能优化算法优化RBF神经网络的核心参数spread。 回归预测:对输入特征进行回归预测,适用于连续值输出问题。 性能对比:对比不同优化算法在训练集和测试集上的预测性能,绘制适应度曲线、预测对比图、误差指标柱状图等。 2.算法步骤 数据准备:导入数据,随机打乱,划分训练集和测试集(默认7:3)。 数据归一化:使用mapminmax将输入和输出归一化到[0,1]区间。 标准RBF建模:使用固定spread=100建立基准RBF模型。 智能优化循环: 调用优化算法(从指定文件夹中读取算法文件)优化spread参数。 使用优化后的spread重新训练RBF网络。 评估预测结果,保存性能指标。 结果可视化: 绘制适应度曲线、训练集/测试集预测对比图。 绘制误差指标(MAE、RMSE、MAPE、MBE)柱状图。 十种智能优化算法分别是: GWO:灰狼算法 HBA:蜜獾算法 IAO:改进天鹰优化算法,改进①:Tent混沌映射种群初始化,改进②:自适应权重 MFO:飞蛾扑火算法 MPA:海洋捕食者算法 NGO:北方苍鹰算法 OOA:鱼鹰优化算法 RTH:红尾鹰算法 WOA:鲸鱼算法 ZOA:斑马算法
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值